Wskaźniki akceptacji

Ustawienie wskaźnika akceptacji i obliczenie odpowiadającego mu progu pozwala określić, jaki odsetek nowych wniosków kredytowych chcesz zaakceptować. Na potrzeby tego ćwiczenia przyjmij, że dane testowe to nowa partia wniosków kredytowych. Do obliczenia progu użyj funkcji quantile() z biblioteki numpy.

Próg posłuży do przypisania nowych wartości loan_status. Czy liczba przypadków niewywiązania się i wywiązania się ze zobowiązania w danych ulegnie zmianie?

Wytrenowany model clf_gbt oraz ramka danych z jego prognozami, test_pred_df, są dostępne.

To ćwiczenie jest częścią kursu

Modelowanie ryzyka kredytowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Wyświetl statystyki podsumowujące kolumny prob_default w ramce danych z prognozami, używając .describe().
Oblicz próg dla wskaźnika akceptacji wynoszącego 85%, korzystając z funkcji quantile(), i zapisz wynik jako threshold_85.
Utwórz nową kolumnę o nazwie pred_loan_status na podstawie wartości threshold_85.
Wyświetl liczebności nowych wartości w kolumnie pred_loan_status.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Check the statistics of the probabilities of default
print(____[____].describe())

# Calculate the threshold for a 85% acceptance rate
____ = np.____(____['prob_default'], ____)

# Apply acceptance rate threshold
____[____] = ____[____].apply(lambda x: 1 if x > ____ else 0)

# Print the counts of loan status after the threshold
print(____[____].____())

Edytuj i uruchom kod